疯哥 适用对象
本模板专为科技公司的内部支持团队、产品专家和知识管理者设计，旨在实现产品文档的自动收录，并通过AI驱动的检索增强技术进行智能问答。
解决什么问题？
支持人员经常需要花费大量时间手动查阅冗长文档，导致回答不一致或延迟。该解决方案能自动导入、分块和索引产品手册，然后利用检索增强生成（RAG）技术，通过AI快速准确地回答用户问题。
工作流程功能
工作流程1：文档收录与索引
手动触发从Google Docs导入产品文档。
自动将大文档分割成小块以便高效搜索。
使用OpenAI嵌入为每个块生成向量嵌入。
将嵌入块和元数据插入MongoDB Atlas向量存储，实现快速语义搜索。
工作流程2：AI驱动的查询与响应
监听用户提问（可扩展至webhook）。
将问题转换为向量嵌入并在MongoDB向量存储中执行相似性搜索。
使用OpenAI的GPT-4o-mini模型和检索增强生成技术，提供直接且上下文感知的答案。
通过内存缓冲节点维持短期对话上下文。
设置
向量嵌入设置
验证Google Docs并连接包含待索引产品文档的URL。
验证MongoDB Atlas并连接用于存储向量嵌入的集合。创建搜索索引以支持向量相似性查询。
确保索引名称与n8n中的配置一致（如data_index）。
参考下方MongoDB搜索索引模板示例。
聊天设置
在“知识库代理”节点中配置AI系统提示，以反映公司语气、回答风格和业务规则。
更新工作流描述和说明，帮助用户理解聊天功能。
在聊天工作流中连接用于向量搜索的MongoDB集合，并根据需要更新向量搜索索引以匹配设置。
注意事项
确保两个MongoDB节点（收录和聊天工作流）连接到同一集合，包括：
存储向量数据的嵌入字段，
相关元数据字段（如文档ID、来源），
以及相同的向量索引名称（如data_index）。
搜索索引示例：
{
“mappings”: {
“dynamic”: false,
“fields”: {
“_id”: {
“type”: “string”
},
“text”: {
“type”: “string”
},
“embedding”: {
“type”: “knnVector”,
“dimensions”: 1536,
“similarity”: “cosine”
},
“source”: {
“type”: “string”
},
“doc_id”: {
“type”: “string”
}
}
}
}